【技术实现步骤摘要】
本专利技术涉及虚拟现实，更具体地说，本专利技术涉及一种利用ai和ar的虚拟现实展示系统。
技术介绍
1、ai指的是人工智能，是一种模拟人类智能行为的计算机系统，这种系统能够执行类似于人类思维和决策的任务，包括学习、推理、问题解决、感知、理解自然语言等。ar指的是增强现实技术，通过将虚拟信息叠加到现实世界中，改善用户的感知和体验。将ai与ar技术结合应用于虚拟现实展示系统中，可以创造出更加丰富、智能的展示效果。ai可以对大量数据进行分析和处理，为ar提供精准的定位、识别和交互支持；而ar则能够将虚拟的信息和效果融合到真实环境中，增强用户的沉浸感和交互体验。两者的结合使得虚拟现实展示系统更加智能化、个性化和互动化。在工业制造和设备维修领域，维修工人通过佩戴ar眼镜或头戴式显示设备，将虚拟的操作指导叠加到实际设备上，然而现有的ar眼镜或头戴式显示设备均是轻量级的设备，其内置的软件仅能进行简单的虚拟化建模，对于复杂的设备和维修操作，则需要通过远程计算机进行虚拟化建模，并将维修指令进行回传，而实际的维修操作复杂多样，现有的ai和ar的虚拟现实展示系统缺乏在维修过程中对维修工人操作的实际表现进行捕捉，无法实现对两种虚拟化建模方式的灵活切换，造成系统无法根据维修工人的具体操作情况适配出最优的虚拟化建模方式，造成虚拟指导与实际操作不匹配，增加维修操作的复杂度和困难度，并且长时间使用远程计算机可能导致操作延迟，降低维修效率。
2、为了解决上述缺陷，现提供一种技术方案。
技术实现思路
1、
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种利用ai和ar的虚拟现实展示系统，包括数据采集模块、建模初始化模块、维修指导模块、ar显示模块、建模方式切换模块；
4、数据采集模块，通过传感器设备和拍摄设备对故障设备的状态和维修工人的操作表现进行监测；
5、建模初始化模块，根据故障设备状态数据，采用远程虚拟化建模方式对故障设备进行虚拟化建模，并在故障设备的虚拟化建模过程中，获取故障设备的建模过程信息并结合故障设备的生产需求信息，确定是否保持远程虚拟化建模方式；
6、维修指导模块，基于历史的故障设备状态数据、故障数据、维修操作指令数据训练出用于生成维修操作指令的长短期记忆网络模型，并根据实时的故障设备状态数据、故障数据以及训练完成的长短期记忆网络模型生成维修操作指令；
7、ar显示模块，将虚拟模型叠加在实际需要维修的故障设备上，实时显示在ar显示设备上，并基于长短期记忆网络模型输出的维修操作指令实时引导维修工人进行故障设备维修；
8、建模方式切换模块，在维修工人进行故障设备维修的过程中，根据维修工人的操作表现数据以及网络状态数据，对实时的虚拟化建模方式进行灵活切换。
9、在一个优选地实施方式中，获取故障设备的建模过程信息包括建模异常复杂系数，故障设备的生产需求信息包括生产周期时长占比、生产关键路径系数；
10、将建模异常复杂系数、生产周期时长占比、生产关键路径系数分别标记、、。
11、在一个优选地实施方式中，建模异常复杂系数的获取逻辑如下：
12、获取故障设备同一部位重复建模的建模时长，计算故障设备同一部位的平均建模时长，计算表达式如下，p表示故障设备同一部位重复建模次数的编号，p=1、2、3、4、……、n，n为正整数，将建模时长与平均建模时长进行比较，将建模时长大于平均建模时长的建模时长标记为异常建模时长，并统计出现异常建模时长的总次数，计算平均异常建模时长，j表示故障设备不同部位的次序编号，j=1、2、3、4、……、m，m为正整数，获取故障设备虚拟模型进行模拟仿真实验的总次数，计算建模异常复杂系数，表达式如下；
13、生产周期时长占比的计算表达式如下，式中，表示故障设备在生产计划中需要进行生产的生产时长，表示整个生产周期的总时长；
14、生产关键路径系数的获取逻辑如下：
15、获取故障设备所负责的每一个生产任务，并从生产计划中获取每一个生产任务是否具有前置任务，统计具有前置任务的生产任务个数，计算生产关键路径系数，表达式如下，式中，表示具有前置任务的生产任务个数，表示故障设备所负责的生产任务总数量。
16、在一个优选地实施方式中，将获取的建模异常复杂系数、生产周期时长占比、生产关键路径系数进行归一化处理，构建第一数据分析模型，生成初始判定指数，其依据的公式如下，式中，、、分别表示建模异常复杂系数、生产周期时长占比、生产关键路径系数的预设比例系数，且、、均大于0；
17、将初始判定指数与初始判定指数阈值进行比较，确定是否保持远程虚拟化建模方式分为以下情况：
18、若初始判定指数大于初始判定指数阈值，则继续保持远程虚拟化建模方式；
19、若初始判定指数小于等于初始判定指数阈值，则切换至本地虚拟化建模方式。
20、在一个优选地实施方式中，基于历史的故障设备状态数据、故障数据、维修操作指令数据训练出用于生成维修操作指令的长短期记忆网络模型；
21、用于生成维修操作指令的长短期记忆网络模型的构建过程如下：
22、步骤a1，数据准备，收集历史的故障设备状态数据、故障数据、维修操作指令数据；
23、对数据进行预处理和清洗，包括缺失值处理、异常值处理、数据转换处理，确保数据质量和一致性；
24、将故障设备状态数据、故障数据作为长短期记忆网络模型的输入数据，维修操作指令数据作为长短期记忆网络模型的输出数据；
25、步骤a2，构建长短期记忆网络模型；
26、步骤a3，模型训练，输出维修操作指令序列。
27、在一个优选地实施方式中，在维修工人进行故障设备维修的过程中，获取维修工人的操作表现数据包括空间动作偏差系数、维修时间超前占比系数，网络状态数据包括区域网络拥塞占比，将空间动作偏差系数、维修时间超前占比系数、区域网络拥塞占比分别标记为、、。
28、在一个优选地实施方式中，空间动作偏差系数的获取逻辑如下：
29、对于每一个维修操作，通过欧氏距离计算方法计算维修工人的实际操作动作在ar显示空间中的三维坐标与预设的三维坐标之间的坐标偏差值，计算表达式如下，式中，（，，）表示维修工人的实际操作动作在ar显示空间中的三维坐标，（，，）表示预设的三维坐标；并根据坐标偏差值计算空间动作偏差系数，计算表达式如下，式中，v表示每一个维修操作的次序编号，v=1、2、3、4、……、u，u为正整数；
30、维修时间超前占 比系数的获取逻辑如下：
31、通过对维修工人的每一个维修操作进行计时，获取每一个维修操作的维修时长，将每一个维修操作的维修时长与预设的维修时长进行比较，当维修操作的维修时长小于预设的维修时本文档来自技高网...
【技术保护点】
1.一种利用AI和AR的虚拟现实展示系统，其特征在于：包括数据采集模块、建模初始化模块、维修指导模块、AR显示模块、建模方式切换模块；
2.根据权利要求1所述的一种利用AI和AR的虚拟现实展示系统，其特征在于：获取故障设备的建模过程信息包括建模异常复杂系数，故障设备的生产需求信息包括生产周期时长占比、生产关键路径系数；
3.根据权利要求2所述的一种利用AI和AR的虚拟现实展示系统，其特征在于：建模异常复杂系数的获取逻辑如下：
4.根据权利要求2所述的一种利用AI和AR的虚拟现实展示系统，其特征在于：将获取的建模异常复杂系数、生产周期时长占比、生产关键路径系数进行归一化处理，构建第一数据分析模型，生成初始判定指数，其依据的公式如下，式中，、、分别表示建模异常复杂系数、生产周期时长占比、生产关键路径系数的预设比例系数，且、、均大于0；
5.根据权利要求1所述的一种利用AI和AR的虚拟现实展示系统，其特征在于：基于历史的故障设备状态数据、故障数据、维修操作指令数据训练出用于生成维修操作指令的长短期记忆网络模型；
6.根据权利要
7.根据权利要求6所述的一种利用AI和AR的虚拟现实展示系统，其特征在于：空间动作偏差系数的获取逻辑如下：
8.根据权利要求6所述的一种利用AI和AR的虚拟现实展示系统，其特征在于：将获取的空间动作偏差系数、维修时间超前占比系数、区域网络拥塞占比进行归一化处理，构建第二数据分析模型，生成切换指数，其依据的公式如下，式中，、、分别表示空间动作偏差系数、维修时间超前占比系数、区域网络拥塞占比的预设比例系数，且小于0，、均大于0；
...【技术特征摘要】
1.一种利用ai和ar的虚拟现实展示系统，其特征在于：包括数据采集模块、建模初始化模块、维修指导模块、ar显示模块、建模方式切换模块；
2.根据权利要求1所述的一种利用ai和ar的虚拟现实展示系统，其特征在于：获取故障设备的建模过程信息包括建模异常复杂系数，故障设备的生产需求信息包括生产周期时长占比、生产关键路径系数；
3.根据权利要求2所述的一种利用ai和ar的虚拟现实展示系统，其特征在于：建模异常复杂系数的获取逻辑如下：
4.根据权利要求2所述的一种利用ai和ar的虚拟现实展示系统，其特征在于：将获取的建模异常复杂系数、生产周期时长占比、生产关键路径系数进行归一化处理，构建第一数据分析模型，生成初始判定指数，其依据的公式如下，式中，、、分别表示建模异常复杂系数、生产周期时长占比、生产关键路径系数的预设比例系数，且、、均大于0；
5.根据权利要求1所述的一种利用ai和ar的虚拟现实展示系统，其特征在于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。